Исследователи из Университета штата Пенсильвания и консорциума Quantum for Healthcare Life Sciences Consortium представили работу, посвящённую применению квантовых вычислительных систем для обработки данных, получаемых при изучении отдельных клеток. По мнению авторов, квантовые вычисления способны преодолеть вычислительные ограничения, возникающие при анализе комплексных «омиксных» данных, включающих измерения генов, белков и прочих молекулярных характеристик внутри единичных клеток и тканей.
Учёные указывают, что комбинация квантовых и классических вычислений с методами искусственного интеллекта может решать задачи, плохо поддающиеся классическим подходам. К ним относятся пространственный анализ, временное моделирование поведения клеток и прогнозирование их реакции на лекарственные препараты. Это особенно важно при работе с данными высокой размерности и ограниченного объёма.
Современные методы изучения отдельных клеток позволяют отслеживать их поведение, взаимодействие и изменения во времени. Получаемые наборы данных отличаются огромными размерами, высоким уровнем шума и большой размерностью, часто охватывая миллионы клеток и десятки тысяч измеряемых признаков. Даже самые мощные классические суперкомпьютеры сталкиваются с трудностями при обработке таких массивов, особенно при моделировании эволюции клеток во времени или их реакции на лекарства.
Квантовые компьютеры обладают потенциалом превзойти классические системы в определённых типах вычислений, в частности, связанных со сложными распределениями вероятностей, задачами оптимизации или моделированием взаимодействий высокого порядка. Авторы исследования полагают, что гибридные подходы, сочетающие квантовые и классические алгоритмы, могут принести практическую пользу ещё до создания полностью отказоустойчивых квантовых компьютеров.
Одной из перспективных областей применения является пространственная транскриптомика — измерение активности генов с сохранением физического расположения клеток в ткани. Квантовые аналоги нейронных сетей, графовых методов и алгоритмов оптимального транспорта способны улучшить сегментацию, классификацию клеток и их сопоставление с эталонными наборами данных, особенно в условиях нехватки данных или высокого уровня шумов.
Временное моделирование, то есть анализ изменений системы во времени, может быть усовершенствовано с помощью квантовых версий таких методов, как случайные блуждания, обыкновенные дифференциальные уравнения и вероятностные графические модели. Эти подходы направлены на реконструкцию процессов дифференцировки клеток, их реакции на стресс или прогрессирования к болезненным состояниям, используя снимки, собранные в разные моменты времени.
Авторы подчёркивают, что разработка эффективных клеточных терапий, включая иммунотерапии, требует глубокого понимания того, как спроектированные клетки взаимодействуют со сложной тканевой средой и как эти взаимодействия эволюционируют. Гибридные квантово-классические модели могли бы помочь учёным более эффективно исследовать эти процессы и выявлять перспективные терапевтические стратегии.